Jupyter Notebooks — L'environnement de la data science

Section 11.2.18 : Jupyter Notebooks — L'environnement de la data science

🎯 Objectif pédagogique

Utiliser Jupyter Notebooks pour l'analyse de données interactive. Vous serez capable de mélanger code, visualisations et texte explicatif dans un seul document — l'outil standard de la data science.

Jupyter — L'outil qui a révolutionné la data science

Si VS Code est l'IDE du développeur web, Jupyter Notebook est l'IDE du data scientist. Son innovation : mélanger code exécutable, résultats (graphiques, tableaux), et texte Markdown dans un seul document interactif.

Marc : "C'est comme un cahier de lab : j'écris une hypothèse, je teste avec du code, je vois le résultat immédiatement, et je note mes conclusions. Tout au même endroit."

Installation et lancement

# Installation
pip install jupyter notebook

# Ou JupyterLab (version moderne)
pip install jupyterlab

# Lancer
jupyter notebook        # Interface classique
jupyter lab             # Interface moderne (recommandé)

# Ou directement dans VS Code
# Extension : "Jupyter" (Microsoft)

Structure d'un notebook

Un notebook est composé de cellules de deux types :

• →Cellule Code : du Python exécutable (Shift+Enter pour exécuter)
• →Cellule Markdown : du texte formaté (titres, listes, formules LaTeX)

# Cellule 1 : Import et chargement
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

df = pd.read_csv("applications.csv")
df.head()
# → Le tableau s'affiche directement sous la cellule !

# Cellule 2 : Analyse
print(f"Total candidatures: \{len(df)\}")
print(f"Taux d'entretien: \{len(df[df['status']=='interview'])/len(df)*100:.1f\}%")

# Cellule 3 : Graphique
plt.figure(figsize=(8, 5))
df['status'].value_counts().plot(kind='bar', color='#0891b2')
plt.title("Candidatures par statut")
plt.show()
# → Le graphique s'affiche directement !

Magic commands

# Mesurer le temps d'exécution
%timeit df.groupby('status')['salary'].mean()
# 1.2 ms ± 45 μs per loop

# Temps total d'une cellule
%%timeit
df_clean = df.dropna()
result = df_clean.groupby('status')['salary'].mean()

# Afficher les graphiques inline
%matplotlib inline

# Variables en mémoire
%who            # Liste des variables
%whos           # Détails (type, taille)

# Réexécuter un module modifié
%reload_ext autoreload
%autoreload 2

# Exécuter un fichier .py
%run script.py

Bonnes pratiques Jupyter

# Structure recommandée d'un notebook d'analyse :

# 1. En-tête (Markdown)
# # Analyse des candidatures — Mars 2026
# **Auteur**: Marc Dupont | **Date**: 2026-03-15
# **Objectif**: Identifier les facteurs de succès des candidatures

# 2. Setup (Code)
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

sns.set_theme(style="whitegrid")
plt.rcParams['figure.figsize'] = (10, 6)

# 3. Chargement des données
df = pd.read_csv("data.csv")

# 4. EDA (plusieurs cellules code + markdown)

# 5. Analyse approfondie

# 6. Conclusions (Markdown)
# ## Conclusions
# 1. Le taux de conversion est de 7%
# 2. Les candidatures ciblées convertissent 3x mieux
# ## Recommandations
# - Réduire le volume, augmenter la qualité

De Jupyter à un script Python

# Convertir un notebook en script Python
jupyter nbconvert --to script analysis.ipynb

# Convertir en HTML (pour partager)
jupyter nbconvert --to html analysis.ipynb

# Convertir en PDF
jupyter nbconvert --to pdf analysis.ipynb

🏋️ Exercice pratique (20 minutes)

1. →Créez un nouveau Jupyter Notebook
2. →Structurez-le avec des cellules Markdown (titre, sections)
3. →Chargez vos données de candidatures
4. →Faites un mini-EDA en 5 cellules
5. →Ajoutez des conclusions en Markdown
6. →Exportez en HTML